美团LongCat发布General 365评测集：Gemini 3 Pro推理准确率仅62.8%

核心要点

• 发布新标尺：美团LongCat团队正式推出General 365，专注于评估大模型的通用推理能力。
• 顶尖模型受挫：在26款主流模型的实测中，Gemini 3 Pro仅获得62.8%的准确率。
• 行业普遍低分：绝大多数参测模型未能触及60分的及格门槛，反映出推理任务的高难度。
• 评测权威性：该评测集由美团技术团队打造，旨在解决当前模型评测中缺乏高难度推理基准的问题。

详细分析

General 365：重塑推理评测标准

美团LongCat团队此次发布的General 365，是针对当前大语言模型（LLM）推理能力评估的一次重要突破。在AI领域，随着模型参数规模的不断扩大，简单的知识问答已难以区分顶尖模型的优劣。General 365通过设计更具挑战性的任务，试图在复杂的逻辑推演场景下，真实还原各家模型的底层推理实力。这一基准的出现，不仅为开发者提供了清晰的优化方向，也为行业树立了一个更加严苛、更具参考价值的性能坐标系。

实测数据背后的行业现状

根据美团技术团队公布的实测数据，目前被公认为“地表最强”的Gemini 3 Pro在General 365上的表现仅为62.8%。这一数据极具冲击力，它表明即使是处于第一梯队的顶尖模型，在面对高难度的通用推理任务时，依然存在明显的短板。更令人深思的是，在参与测试的26款主流模型中，绝大多数模型的得分都在60分以下。这意味着，当前大模型在逻辑严密性、多步推理以及复杂问题拆解方面，距离真正的“智能”仍有较长的一段路要走。这种“集体不及格”的现象，揭示了当前模型训练范式在处理深层逻辑时的局限性。

行业影响

General 365的发布对AI行业具有深远影响。首先，它打破了部分模型在简单评测集中表现优异的“虚假繁荣”，迫使行业回归到对核心推理能力的关注。其次，作为由国内头部互联网企业技术团队推出的基准，General 365增强了中文技术社区在AI评测领域的话语权。最后，这一标尺的确立将加速模型迭代，推动研发团队从单纯追求参数规模转向追求更高质量的逻辑推理表现，从而带动整个AI产业链向更深层次的认知智能迈进。

常见问题

问题 1：什么是General 365评测集？

General 365是由美团LongCat团队开发的一套专门用于测试大语言模型通用推理能力的评测基准。它通过涵盖多种复杂逻辑任务，旨在为行业提供一个比现有标准更高、更严苛的性能衡量尺度。

问题 2：为什么Gemini 3 Pro的准确率只有62.8%？

这主要源于General 365评测任务的高难度和复杂性。62.8%的准确率虽然看似不高，但在该评测体系下已属于顶尖水平。这说明General 365能够有效区分模型在处理极端复杂逻辑时的细微差异，同时也反映了当前AI技术在深度推理上的瓶颈。

问题 3：多数模型不及格意味着什么？

这意味着目前市面上绝大多数主流模型在处理高难度推理任务时，其逻辑稳定性和准确性仍有待提升。这一结果提醒行业，大模型的进化不能仅依赖于语料的堆砌，更需要在算法架构和推理逻辑上进行深层次的创新。